Tag · 8 篇

多智能体框架

分布视觉语言模型43D 视觉与重建2数据集与评测1目标检测与定位1

Yo'City: Personalized and Boundless 3D Realistic City Scene Generation via Self-Critic Expansion

把大模型智能体（全局规划器 + 局部设计器）与等距图像合成、图像到三维生成串联成可无限扩展的城市场景流水线，并用场景图做距离与语义感知的布局优化；对做三维场景生成的人，这是一套可复用的「语言规划→二维等距图→三维资产」分层生成范式与配套评测指标。

Training High-Level Schedulers with Execution-Feedback Reinforcement Learning for Long-Horizon GUI Automation

提出了一种基于执行反馈强化学习训练高层调度器（Coordinator和State Tracker）的方法，可即插即用地增强任意低层执行器在长程GUI自动化任务中的规划与状态管理能力，为视觉语言模型在复杂交互任务中的多智能体协同提供了可复用的训练范式。

Think, Then Verify: A Hypothesis-Verification Multi-Agent Framework for Long Video Understanding

将长视频问答重构为「先提出可检验假设、再定位证据验证」的多智能体流程，为视觉语言模型处理长视频时抑制语义漂移和相关性错误提供了一种可复用的推理范式。

SAGE: Scalable Agentic 3D Scene Generation for Embodied AI

把布局生成器与物体组合生成器同语义合理性、视觉真实感、物理稳定性三类 critic 组成闭环，通过迭代推理与自适应工具选择自精炼场景，可直接产出仿真器可用的 3D 环境用于策略训练；对做 3D 场景合成与具身数据扩增的视觉研究者，这是一套可复用的「生成器+评审器」自精炼管线。

Resolving Evidence Sparsity: Agentic Context Engineering for Long-Document Understanding

对做多模态长文档问答的研究者，这篇提供了一个可复用的「检索后二次精炼」范式：用多个智能体在检索到的页面里筛出表格、图表等显著视觉证据，再蒸馏成证据密集的多模态上下文喂给 VLM，可直接迁移到多页文档 VQA 与图表理解流程中。

Pixel2Phys: Distilling Governing Laws from Visual Dynamics

把 MLLM 作为假设生成与验证的推理引擎，从原始视频像素中迭代提炼低维物理变量与可解释控制方程；对做视频理解与物理常识建模的研究者，这提供了一条「视觉观测→符号化动力学」的可复用管线，也可作为评估视频模型是否真正理解动力学的探针。

GeoMMBench and GeoMMAgent: Toward Expert-Level Multimodal Intelligence in Geoscience and Remote Sensing

GeoMMBench 提供了覆盖多学科、多传感器、多任务的遥感多模态问答基准，可用于系统评估 MLLM 在遥感领域的感知与推理短板；GeoMMAgent 展示了如何通过工具增强的多智能体框架（集成检索、感知、推理）提升复杂遥感任务的性能，为视觉-语言模型在专业领域的落地提供了可复用的范式。

AgentDet: A Shared-Blackboard Multi-Agent Framework for Zero-/Few-Shot Object Detection

提出共享黑板多智能体框架，将检测解耦为四个协作角色，仅训练Agent-Judge的图像编码器和基于LLM的检测头，为视觉研究者提供了一种轻量级、可泛化到新类别的零/少样本检测新范式。